CNN Double-Head applicata all'identificazione dei minerali tramite spettri ATR-IR (CNN Double-Head applied to the identification of minerals using ATR-IR spectra)

Questo studio esplora l'applicazione di una Convolutional Neural Network (CNN) con architettura "Double-Head" per l'identificazione e la classificazione automatica di materiali e gruppi mineralogici tramite spettri ATR-IR. Utilizzando un dataset curato dal RRUFF database, il modello è stato addestrato per estrarre feature complesse direttamente dai dati spettrali pre-elaborati (interpolati a 1000 punti nell'intervallo 400-2000 cm⁻¹). I risultati migliori sul set di test hanno dimostrato un’accuratezza eccezionale del 100% per i gruppi mineralogici ed un'ottima accuratezza del 84% nella classificazione dei materiali specifici. Sebbene il modello mostri una notevole capacità discriminatoria, le residue confusioni tra minerali (pur mantenendo la correttezza della predizione finale dei gruppi) si verificano principalmente tra minerali con intrinseche somiglianze spettrali, come quelli appartenenti a serie isomorfe. Questo lavoro conferma il potenziale del Deep Learning per automatizzare e migliorare significativamente l'analisi spettroscopica dei minerali, offrendo uno strumento potente per applicazioni in diverse discipline scientifiche e industriali. Si suggerisce l'esplorazione futura di tecniche di Intelligenza Artificiale Spiegabile (XAI) per una maggiore comprensione dei meccanismi decisionali del modello. This study explores the application of a Convolutional Neural Network (CNN) with a "Double-Head" architecture for the automatic identification and classification of mineral materials and their groups using ATR-IR spectra. Employing a curated dataset from the RRUFF database, the model was trained to extract complex features directly from pre-processed spectral data (interpolated to 1000 points within the 400-2000 cm⁻¹ range). The best results on the test set demonstrated an exceptional 100% accuracy for mineral groups and an excellent 84% accuracy in specific material classification. Although the model exhibits significant discriminatory power, residual confusions between minerals (while maintaining the correctness of the group prediction) primarily occur among minerals with inherent spectral similarities, such as those belonging to isomorphous series. This work confirms the potential of Deep Learning to automate and significantly enhance the spectroscopic analysis of minerals, offering a powerful tool for applications across various scientific and industrial disciplines. Future exploration of Explainable Artificial Intelligence (XAI) techniques is suggested for a deeper understanding of the model's decision-making mechanisms.